Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Pretraining Language Models to Ponder in Continuous Space

Created by
  • Haebom

저자

Boyi Zeng, Shixiang Song, Siyuan Huang, Yixuan Wang, He Li, Ziwei He, Xinbing Wang, Zhiyu Li, Zhouhan Lin

개요

본 논문은 언어 모델이 복잡한 문장 요소를 생성하기 전에 '숙고(pondering)'하는 과정을 도입하여 성능을 향상시키는 방법을 제시합니다. 숙고 과정은 토큰 생성 단계 내에서 순전파 과정을 반복적으로 수행하는 것으로, 실제 토큰을 생성하는 대신 예측된 토큰 분포에 따른 토큰 임베딩의 가중 합을 생성하여 다시 입력으로 사용합니다. GPT-2, Pythia, LLaMA 세 가지 오픈소스 아키텍처를 사용한 실험 결과, 자가 지도 학습을 통해 모델이 효과적으로 숙고 과정을 학습할 수 있음을 보여줍니다. 숙고 과정을 도입한 언어 모델은 매개변수 수가 두 배인 일반 모델과 비슷한 성능을 달성했으며, 9가지 하류 작업 벤치마크에서 기존 모델을 능가하는 결과를 나타냈습니다. 특히, PonderingPythia-2.8B는 Pythia-6.9B를 능가했고, PonderingPythia-1B는 10배 많은 데이터로 학습된 TinyLlama-1.1B와 비슷한 성능을 보였습니다. 코드는 https://github.com/LUMIA-Group/PonderingLM 에서 이용 가능합니다.

시사점, 한계점

•
시사점:
◦
언어 모델의 성능 향상을 위한 새로운 접근법 제시: '숙고' 과정을 통해 매개변수 수를 늘리지 않고도 성능을 크게 향상시킬 수 있음을 보여줌.
◦
자가 지도 학습을 통해 효과적인 숙고 과정 학습 가능성 확인: 별도의 어노테이션 없이 모델이 숙고 과정을 학습할 수 있음을 증명.
◦
다양한 아키텍처에서의 일반성 확인: GPT-2, Pythia, LLaMA 등 다양한 아키텍처에서 효과적으로 작동함을 실험적으로 검증.
◦
적은 데이터로 높은 성능 달성 가능성: PonderingPythia-1B는 10배 많은 데이터로 학습된 TinyLlama-1.1B와 비슷한 성능을 보임.
•
한계점:
◦
숙고 과정의 계산 비용 증가: 순전파 과정을 반복적으로 수행하므로 계산 비용이 증가할 수 있음.
◦
숙고 과정의 최적화 파라미터 설정: 숙고 과정의 반복 횟수 등 최적화 파라미터 설정에 대한 추가 연구 필요.
◦
다양한 언어 및 작업에 대한 일반화 성능 추가 검증 필요: 본 논문에서는 제한된 언어 및 작업에 대한 실험만 수행됨.
👍
Made with Slashpage